Stable Diffusion入门教程：本地部署与基础设置

Stable Diffusion 是目前最受关注的本地图像生成工具之一。对于刚接触 AI 绘图的用户来说，本地部署不仅能让你更自由地使用模型，还能更方便地管理参数、插件和工作流。相比在线平台，本地运行的优势在于可控性更强、隐私更好、扩展性更高，也更适合后续深入学习提示词、模型切换和风格训练。

这篇文章会围绕“本地部署”和“基础设置”展开，尽量用清晰的步骤带你完成首次安装与初始配置。内容适合刚开始接触 Stable Diffusion 的读者，也适合作为后续进阶教程的起点。

一、开始之前要准备什么

在安装 Stable Diffusion 之前，先确认自己的电脑是否具备基本运行条件。不同部署方式对硬件要求略有差异，但大多数本地图像生成方案都对显卡有一定要求。为了保证后续使用体验，建议先检查以下几点。

1. 硬件基础

• 显卡：优先使用 NVIDIA 显卡，显存越大越好。
• 内存：建议至少 16GB，运行多个模型或插件时更稳定。
• 硬盘：建议预留较大空间，模型文件、缓存和生成结果都会占用存储。
• 系统：常见桌面系统都可以部署，但不同方案在 Windows、Linux、macOS 上的体验略有不同。

如果你的显卡显存较小，也不必马上放弃。很多部署方式都支持低显存模式，只是生成速度可能更慢，分辨率和批量任务的限制也会更明显。

2. 需要提前安装的基础组件

不同部署方案的安装包会有所不同，但通常会涉及以下几类基础组件：

• Python：用于运行 WebUI 或相关脚本。
• Git：用于拉取项目代码和更新程序。
• 显卡驱动：确保显卡可正常调用。
• 运行环境：部分方案会自带依赖包，也有方案需要手动安装。

如果你打算使用的是常见的 Stable Diffusion WebUI 方案，通常建议先安装好 Python 和 Git，再继续下一步。安装过程中尽量使用稳定版本，不要频繁更换环境，以免出现依赖冲突。

二、选择合适的本地部署方案

目前 Stable Diffusion 的本地部署方式很多，不同方案适合不同用户。对于入门者来说，最重要的不是追求最复杂的功能，而是先把基础环境跑通，形成清晰的操作习惯。

1. 常见部署方式

• WebUI 类界面：最适合初学者，操作直观，功能齐全。
• 命令行方式：适合熟悉技术操作的用户，灵活度高，但上手门槛更高。
• 整合包：安装步骤更少，适合希望快速体验的人。

如果你是第一次接触 Stable Diffusion，建议优先选择带图形界面的 WebUI 方式。它通常可以直接在浏览器里操作，比较容易理解采样、步数、提示词、尺寸这些基础概念。

2. 为什么推荐先用 WebUI

WebUI 的优势主要在于：

• 界面友好，参数位置清晰。
• 便于逐项调整设置，适合学习各功能的作用。
• 社区资源丰富，很多教程都基于该类界面展开。
• 后续升级插件、扩展功能相对方便。

对于入门阶段来说，这些优势非常重要。你不需要一开始就掌握复杂命令，只要能正确安装、成功出图，就可以逐步进入提示词和模型选择阶段。

三、Stable Diffusion 本地部署的基本流程

下面以通用思路介绍本地部署的核心步骤。由于不同整合包和发行版本的文件结构不同，具体目录名称可能会有差异，但整体流程基本一致。

1. 下载部署程序

首先需要获取 Stable Diffusion 的本地运行程序。建议优先从可靠来源下载，避免使用来源不明的文件。下载时注意区分以下几类文件：

• 主程序文件：负责界面启动和推理逻辑。
• 依赖环境：例如 Python 环境、启动脚本。
• 模型文件：决定你能生成什么风格和内容。

如果你使用的是整合包，通常解压后就能看到启动脚本和配置目录。如果是从项目仓库部署，则需要先完成代码拉取，再安装依赖。

2. 解压到合适的位置

建议将程序放到路径较短、没有中文和特殊符号的文件夹中，例如磁盘根目录下的新建文件夹。这样能减少路径识别问题，也能降低某些依赖包报错的概率。

不太建议放在系统盘深层目录、桌面临时文件夹或同步盘目录中。路径过长时，有些插件和脚本可能会出现读取失败的问题。

3. 安装依赖环境

如果部署包没有自带完整环境，就需要安装相关依赖。一般来说，步骤如下：

• 先确认 Python 版本是否符合要求。
• 确认 Git 已经可用，便于后续更新。
• 运行安装脚本，让程序自动下载所需库文件。

安装过程中可能会出现下载速度慢、依赖安装失败等情况。遇到这类问题时，先确认网络是否正常，再检查 Python 版本是否正确。有些问题并不是程序本身坏了，而是环境版本不兼容。

4. 启动程序

安装完成后，双击启动脚本或运行对应命令。程序正常启动后，通常会在命令窗口中显示本地访问地址。然后在浏览器中打开对应地址，就能进入 Stable Diffusion 的操作界面。

如果页面无法打开，可以检查以下几点：

• 程序是否真的启动成功，命令窗口是否报错。
• 端口是否被其他软件占用。
• 浏览器地址是否输入正确。
• 防火墙是否拦截了本地访问。

首次启动时，程序加载时间可能较长，这是正常现象，尤其是第一次安装后需要初始化模型和依赖缓存。

四、首次进入界面后的基础设置

Stable Diffusion 成功打开后，不要急着马上生成图片。先把基础参数设置好，能让后续出图更稳定，也更便于判断结果是否正常。

1. 语言和界面习惯

很多 WebUI 界面默认是英文，但界面布局相对固定，使用几次后并不会太难。你可以先熟悉几个重点区域：

• 提示词输入区：输入你想生成的图像内容。
• 参数设置区：控制尺寸、步数、采样器等。
• 生成按钮：开始出图。
• 结果展示区：查看生成图片及保存状态。

如果界面支持扩展语言包，可以根据自己的习惯进行配置。不过对于入门阶段来说，即使保持英文界面，也能通过固定位置快速上手。

2. 选择基础模型

模型文件决定了 Stable Diffusion 的生成风格与适用方向。不同模型在写实、二次元、插画、摄影风格等方面表现各不相同。第一次使用时，建议选择一个通用基础模型进行测试。

操作时通常需要把模型文件放入指定目录，然后在界面中选择对应模型加载。加载完成后，先不要频繁切换多个模型，而是用同一个模型测试提示词和参数，这样更容易判断问题来源。

3. 设置默认分辨率

初学者常常会直接把分辨率设得很高，希望一次生成更清晰的图片，但这样往往会导致显存占用过大、速度下降甚至报错。更稳妥的做法是先从中等分辨率开始，例如适合常见构图的基础尺寸，再根据需要逐步提高。

设置分辨率时可以记住以下原则：

• 先保证能出图，再追求高清。
• 分辨率越大，显存和时间消耗越高。
• 横图、竖图、方图适合不同主题，不要固定一种比例。

4. 控制批量与生成数量

很多新手一开始就把生成数量调得很高，结果发现程序运行很慢，或者生成结果难以筛选。建议先从单张生成开始，确认参数和提示词有效，再考虑批量任务。

基础建议是：

• 首次测试以单张为主。
• 确认风格后再增加批量数量。
• 遇到显存不足时，优先减少单次任务压力。

五、理解最常用的基础参数

Stable Diffusion 的可玩性很大程度上来自参数控制。对入门者来说，先掌握几个最重要的参数，就足以完成绝大多数基础练习。

1. 提示词和反向提示词

提示词用于告诉模型你想生成什么。比如场景、人物、光线、画风、镜头感等内容都可以写进去。反向提示词则用于排除不想要的元素，例如模糊、畸形、多余肢体、低质量等。

输入提示词时建议遵循“主体 + 场景 + 风格 + 细节”的顺序。刚开始不要堆太长的句子，先写清楚核心内容，再逐步增加修饰词。

2. 采样器

采样器会影响图像生成的过程和最终风格。不同采样器在清晰度、稳定性、细节和速度上会有差别。入门阶段不必一开始就研究所有采样器，先固定一个常用选项，方便观察其他参数的影响。

如果你每次都更换采样器，就很难判断生成结果是因为提示词变化，还是采样方式不同导致的。建议测试时保持采样器一致。

3. 步数

步数可以理解为模型对图像不断修正的次数。一般来说，步数太低可能画面不够完整，步数太高则会让耗时增加，收益并不总是线性增长。

对于入门测试，建议先使用中等步数，观察图片是否有明显改善，再根据结果调整。不要盲目追求超高步数，这并不一定能得到更好效果。

4. CFG Scale

这个参数通常用于控制模型对提示词的遵从程度。数值太低时，生成结果可能偏离提示词；数值太高时，又可能导致画面僵硬、细节异常或风格过度死板。

初学阶段建议先使用中间值，再根据图片表现逐渐调高或调低。每次只调一个参数，能更清楚地看出影响。

5. 种子值

种子值决定生成结果的随机性。使用相同模型、相同提示词、相同参数和相同种子值时，生成结果会更接近。这个功能非常适合做对比测试。

如果你希望重复某张图的风格，可以记录当时的种子值；如果你想获得更多随机效果，可以让种子值保持随机。

六、完成第一次出图的操作步骤

现在可以开始生成第一张测试图了。建议不要直接挑战复杂场景，而是先用简单提示词检查整个流程是否正常。

1. 准备一段简单提示词

可以从简单主题开始，例如人物头像、风景、物体、房间场景等。提示词不需要很长，先确保程序能正确理解并生成。

建议遵循以下思路：

• 明确主体，例如“少女”“咖啡杯”“森林小屋”。
• 补充环境，例如“清晨”“室内”“雨后”。
• 增加风格词，例如“写实”“插画感”“柔和光线”。

2. 设置基础参数

保持模型、采样器、步数、分辨率和 CFG 在一个相对稳定的区间内，不要同时改动太多。这样能更容易判断第一次出图是否成功。

如果你只是测试是否能正常运行，可以先使用默认值，再根据结果慢慢调整。

3. 点击生成并观察结果

点击生成后，程序会开始推理。生成完成后，查看结果图是否符合预期，重点观察以下内容：

• 画面是否正常显示。
• 人物或主体是否完整。
• 是否存在明显的畸形、乱码或花屏。
• 是否满足基础提示词要求。

如果结果比较混乱，不要急着认为程序坏了，很多时候只是提示词太抽象、参数不合适，或者模型风格与你的目标不匹配。

七、常见初始问题与排查方法

入门阶段最容易遇到的不是“不会用”，而是“能打开但结果不正常”。下面整理一些常见情况，方便你快速定位问题。

1. 程序启动失败

如果启动脚本没有正常运行，可以先检查：

• Python 版本是否不符合要求。
• 是否安装了错误架构的依赖。
• Git 是否可用。
• 安装目录是否包含中文、空格或特殊字符导致异常。

很多启动失败问题都和环境有关。建议逐项排查，不要一次性大改设置。

2. 页面打不开

程序启动后如果浏览器无法访问本地界面，可能是：

• 本地地址输入错误。
• 端口被占用。
• 启动过程未完成。
• 安全软件阻止了访问。

这时先看命令窗口的最后几行信息，通常会提示访问地址或报错原因。

3. 生成速度很慢

生成速度慢不一定是故障，可能是硬件性能决定的。你可以尝试：

• 降低分辨率。
• 减少批量数量。
• 关闭不必要的后台程序。
• 使用更适合当前硬件的设置。

如果你用的是显存较小的显卡，开启低显存相关选项也会有帮助，但速度通常会有所下降。

4. 图片质量不稳定

如果输出结果忽好忽坏，可以优先检查这些因素：

• 提示词是否前后矛盾。
• 模型是否适合你想要的风格。
• 步数和 CFG 是否设置过高或过低。
• 分辨率是否超出当前显卡的稳定范围。

建议先保持一个变量不变，逐次调整，这样最容易找到原因。

八、基础设置建议：从稳定出发

对于刚开始学习 Stable Diffusion 的用户，最重要的不是把所有功能都打开，而是先建立稳定的工作习惯。下面这几条建议很实用。

1. 先固定一个常用模型

在掌握基础操作之前，不要频繁更换模型。固定一个基础模型有助于你理解提示词、参数和结果之间的关系。

2. 每次只调整一个参数

如果一次修改多个设置，结果变化会变得很难分析。推荐每次只动一个参数，比如只改步数、只改 CFG，或者只改分辨率。

3. 保留好有效配置

当你生成出一张满意的图时，建议记录当时的提示词、模型名称、采样器、步数、CFG、分辨率和种子值。这样以后可以复现类似效果，也方便逐步优化。

4. 不要忽视基础清理

本地运行时间长了以后，缓存文件和生成图片会越来越多。养成定期整理模型文件、输出目录和缓存文件的习惯，可以减少磁盘压力，也方便管理不同项目。

九、适合新手的入门练习思路

如果你已经完成本地部署，并且界面可以正常使用，接下来最好的学习方式就是做小练习，而不是直接追求高难度作品。以下练习顺序比较适合入门阶段。

1. 练习生成简单物体

先从一个物体开始，比如杯子、花朵、书本、窗户。这样你可以观察模型对单一主体的理解程度。

2. 练习单人头像

再尝试人物头像，重点观察五官、发型、光线和背景是否协调。头像类任务很适合练习提示词结构。

3. 练习风景图

风景图可以帮助你理解场景、光影、层次和构图之间的关系，也能更快看出模型的整体审美倾向。

4. 练习同图不同参数

用同一组提示词分别调整步数、采样器或 CFG，看看结果有什么变化。这个方法能非常直观地帮助你理解参数的意义。

十、后续学习会用到的内容

完成本地部署和基础设置后，你就已经迈过了最关键的一步。接下来可以继续学习更深入的内容，例如：

• 提示词结构与关键词排序。
• 负面提示词的写法。
• 不同模型风格的切换。
• 图生图、局部重绘等功能。
• 高清修复与尺寸放大。
• 常用插件的安装与应用。

这些内容会在后续文章中逐步展开。只要你现在把环境搭好，并且熟悉最基础的参数逻辑，后面的学习会轻松很多。

Stable Diffusion 的魅力就在于它并不是单纯“点一下就出图”的工具，而是一个可以不断试验、微调和扩展的创作系统。刚开始安装时看起来步骤不少，但一旦你完成首次部署，后面每一次调整都会变得更有方向感。先把程序跑起来，先看懂参数，再慢慢建立自己的生成习惯，这会是最稳妥的学习路径。